Empieza por los recorridos, no por un promedio de todo el sitio
Enumera de tres a cinco recorridos donde la demora tenga un coste claro para el cliente u operativo: aterrizar en una página de campaña, encontrar un producto, enviar un formulario de captación, iniciar sesión o completar una solicitud de soporte. Para cada uno, escribe el inicio, el resultado útil, la clase de dispositivo principal y la página o interacción que debe funcionar bien.
Da a cada recorrido su propia fila en el presupuesto. Un panel puede llevar más código que un artículo público, pero su acción de filtrado necesita un objetivo de capacidad de respuesta. Una página de producto rica en medios puede aceptar imágenes más grandes, pero necesita un límite para la imagen principal visible. Esto evita que una ruta crítica débil se pierda en un promedio por origen.
Nombra lo que el visitante puede ver o hacer, como leer la oferta, ver un resultado o recibir la confirmación de un formulario.
El cacheado puede cambiar materialmente el coste de los recursos, así que registra si el presupuesto cubre una primera visita, una visita repetida o ambas.
Elige resultados e insumos controlables
Usa tanto métricas de resultado como límites de insumo. Google describe Largest Contentful Paint (LCP) como rendimiento de carga; Interaction to Next Paint (INP) como capacidad de respuesta en interacción; y Cumulative Layout Shift (CLS) como estabilidad visual. Sus umbrales recomendados son LCP a 2.5 segundos o menos, INP a 200 milisegundos o menos y CLS a 0.1 o menos en el percentil 75, considerados por separado para móvil y escritorio.
Añade límites que expongan una causa de forma temprana: JavaScript inicial, imágenes necesarias antes del contenido principal, transferencia total para la ruta, solicitudes a terceros y un widget conocido como costoso. Haz seguimiento consistente de los tamaños en transferencia comprimida. Un diagnóstico como Time to First Byte puede ayudar a investigar una carga lenta, pero no es en sí mismo el resultado que percibe el cliente.
Usa LCP cuando el recorrido dependa de que el contenido principal se haga visible.
Usa INP de campo para búsqueda, filtrado, menús y pago; usa un proxy de laboratorio sólo antes de disponer de datos de campo.
Corta el JavaScript inicial y los mayores contribuyentes para que los responsables sepan qué debe cambiar tras un incumplimiento.
Fija números a partir de tu línea base
Captura una línea base para cada recorrido. En PageSpeed Insights, distingue los datos de campo de Chrome User Experience Report (CrUX), que agregan experiencias reales de usuarios de Chrome, de los datos de laboratorio de Lighthouse, que son una prueba controlada. Los datos de campo verifican la experiencia que alcanzan los usuarios; las pruebas de laboratorio hacen un cambio repetible antes del lanzamiento.
Segmenta al menos por móvil y escritorio y, cuando sea posible, por plantilla crítica o URL. PageSpeed Insights puede retroceder de datos por URL a datos por origen, y algunas páginas no tienen datos CrUX. Etiqueta ese caso como línea base de laboratorio y añade medición de usuario real para los recorridos importantes. Conserva la URL de prueba, el dispositivo y el perfil de red, el estado de caché, la fecha y la versión de la herramienta con cada línea base.
Elige un objetivo que mejore la línea base en un paso planificado y, luego, pruébalo en condiciones representativas. Un presupuesto que bloquee las versiones normales se sortea; uno por encima de la experiencia actual no protege a nadie.
El percentil 75 es el valor por debajo o igual al cual cae el 75% de las experiencias observadas; no es una media.
Convierte el presupuesto en una regla de lanzamiento
Mantén el presupuesto en un lugar versionado y revisable junto al código o la lista de verificación de lanzamiento. Cada fila necesita el recorrido, la métrica, el perfil de prueba o población, el umbral de advertencia, el umbral de error, el propietario, el método de medición y la vía de excepción. MDN recomienda niveles de advertencia y error: la advertencia apoya la planificación proactiva, mientras que el error es un límite superior con efecto negativo perceptible.
Automatiza comprobaciones fiables. Un empaquetador puede rechazar un recurso sobredimensionado o un punto de entrada inicial; webpack soporta límites máximos de activos y puntos de entrada y sugerencias de error en producción. Ejecuta pruebas de laboratorio repetibles para el recorrido afectado en pull requests o candidatos de lanzamiento. Conserva métricas de campo para verificación y priorización post-lanzamiento en lugar de un bloqueo de compilación poco fiable.
Cuando un límite falle, reduce un recurso, pospone código no esencial, altera la experiencia, divide el lanzamiento o aprueba una excepción. No subas silenciosamente el umbral para pasar la compilación.
Registra un propietario de producto y técnico, impacto en el cliente, fecha de caducidad y tarea de remediación antes del lanzamiento.
Bloquea un umbral de error reproducible en un recorrido protegido; notifica e investiga los umbrales de advertencia.
Verifica y remedia tras el lanzamiento
El peso de la página no predice por sí solo la experiencia completa. El orden de solicitudes, trabajo que bloquea el renderizado, capacidad del dispositivo, condiciones de red, cachés y terceros también importan. Mantén límites de insumo para detectar crecimiento y medidas de resultado para probar si la ruta es usable. La interfaz W3C Resource Timing expone los tiempos de recursos y los tamaños en transferencia, codificados y decodificados para un diagnóstico más profundo. El detalle de tiempos de origen cruzado puede estar restringido por permisos de timing, por lo que una cascada incompleta no demuestra que no haya coste de terceros.
Revisa los resultados de campo tras cambios importantes de plantilla, plataforma, etiquetas de marketing o tráfico. Si LCP empeora, inspecciona la respuesta del servidor, el recurso LCP y el trabajo que bloquea el renderizado. Si INP empeora, inspecciona interacciones reales; Lighthouse no puede medir INP porque no hay entrada de usuario, aunque Total Blocking Time sea un proxy de laboratorio. Usa el flujo de trabajo proactivo de optimización de SIU para priorizar un incumplimiento, estabilizar la ruta crítica y verificar la corrección en el mismo contexto de medición.
Las excepciones vencidas revelan con rapidez deuda de rendimiento temporal que se hizo permanente.
